为了避免大量的存储需求和处理时间带来的负担,本文提出了一种基于矩阵的数据处理方法。第一阶段,利用CS从原始振动中压缩采样得到信号数据。第二阶段,一个有效的多步特征学习算法从相关中获得较少的特征,从压缩采样信号中提取主属性和判别属性,提高性能。第三阶段,多类支持向量机用于故障的训练、验证和分类。提出的方法CS-CPDC提供高的分类精度,减少计算时间和存储需求。
文献的整体思路如下
具体结构为
1、CS采样
CS是稀疏的一种扩展,稀疏的主要特征在于空间变换的表示。
度量方式的主要要求在于关键信息的损失率降到可接受的范围内,度量准则表示为
具体步骤为
2、特征提取
过程为
CS-CPDC找到两个特征表示,利用PCA和LDA压缩采样信号。将压缩采样信号的特征空间转换为定义为的低维空间。
PCA过程为
LDA过程为
整个特征提取的步骤为
3、分类诊断
采用了多类支持向量机分类器。支持向量机的简单思想是它能找到最好的超平面来分离两个类。根据特征SVM可以对数据进行线性或非线性分类,通过不同的核函数,如RBF,多项式函数算法实现。
实验过程
对比压缩采样率和正确率关系
比较特征提取不同方法的影响情况。
比较不使用压缩采样和使用的性能
西储大学轴承数据集上准确性
文献提出了一种用于轴承故障诊断的三级混合方法CS-CPDC。该方法采用CS模型生成压缩采样信号;采用特征学习算法来学习较少的特征从相关主属性和判别属性中压缩采样信号,然后连接特征;输入多类支持向量机进行轴承健康状况的训练、验证和分类。这项研究的一个更重要的发现是CS-CPDC优于其他cs的方法,所提出的方法在两方面都有较好的性能提升。
文献来源《Three-Stage Hybrid Fault Diagnosis for Rolling Bearings With Compressively Sampled Data and Subspace Learning Techniques》